Quantum-ResNet steigert Genauigkeit bei Koronarangiographie‑Klassifizierung

Die Analyse von Koronarangiographien (CAG) ist entscheidend für die Beurteilung von Herzkranzarterien und die Planung von Interventionen. Traditionelle Bildinterpretationen sind stark von der Erfahrung des Operators abhängig, und klassische Deep‑Learning‑Modelle stoßen bei der Erfassung komplexer Gefäßmorphologie und feiner Texturdetails an ihre Grenzen.

In einer neuen Studie wurde ein leichtgewichtiges, quantenverstärktes ResNet (LQER) entwickelt, das klassische und quantenbasierte Verfahren kombiniert. Ein vortrainiertes ResNet18 dient als Feature‑Extraktor, während ein parametrisiertes Quanten‑Circuit (PQC) auf der hoch‑semantischen Feature‑Ebene eingesetzt wird, um die Merkmale zu verbessern. Durch Daten‑Re‑Uploading, Entanglement‑Strukturen und eine Residual‑Fusion mit klassischen Features entsteht ein hybrides Modell, das mit einer streng begrenzten Anzahl von Qubits end‑to‑end optimiert werden kann.

Auf einem unabhängigen Testdatensatz übertraf das LQER die klassische ResNet18‑Basis deutlich in Genauigkeit, AUC und F1‑Score. Die Testgenauigkeit lag bei über 90 %, und die quantenbasierte Feature‑Erweiterung zeigte besonders bei stark unausgeglichenen Klassen eine verbesserte Lesedifferenzierung von positiven Läsionen.

Die Ergebnisse demonstrieren, dass ein leichtgewichtiges, hybrides Quanten‑klassisches Lernparadigma praktikabel ist und einen realistischen Weg für den Einsatz von Quanten‑Machine‑Learning in der medizinischen Bildgebung eröffnet. Diese Fortschritte legen nahe, dass zukünftige klinische Anwendungen von quantenverstärkten Modellen profitieren können, um die Diagnosegenauigkeit bei Herz-Kreislauf‑Erkrankungen weiter zu steigern.